4 Convergence de la procédure BIC-PVP
Chen Xu, Jiahua Chen et Harold Mantel
Précédent | Suivant
Nous
examinons maintenant le comportement asymptotique de la procédure BIC-PVP dans
le cadre de randomisation conjointe. Nous supposons qu'il existe une série de
populations finies, disons avec Chaque est un échantillon indépendant et
identiquement distribué (i.i.d.) de taille tiré d'une superpopulation modélisée par (2.1) avec la variable aléatoire Dans chaque population on tire un échantillon de taille selon un certain plan d'échantillonnage. Nous supposons que ainsi que tendent vers l'infini quand la fraction d'échantillonnage étant bornée par une constante Pour simplifier la notation, nous
abandonnons l'indice dans la suite de la discussion.
Sans perte de
généralité, nous supposons que les premiers coefficients ne sont pas nuls et nous désignons la valeur
réelle de par avec En outre, nous utilisons pour désigner le modèle réel qu'il faut identifier. Nous
établissons la convergence de sélection de la procédure BIC-PVP en deux étapes.
À la première étape, nous montrons que, pour des choix appropriés de la PVP peut systématiquement identifier
le vrai de sorte que avec la probabilité tendant vers 1.
À la deuxième étape, nous vérifions que le BIC (3.4) sélectionne
systématiquement parmi
Pour
l'analyse asymptotique, nous définissons et associons à pour faire de une séquence. Sous le cadre de
randomisation conjointe, nous montrons l'allégation de l'étape 1 sous la
forme du théorème suivant.
Théorème 1 Sous des conditions de régularité appliquées au
modèle (2.1) et d'autres exigences spécifiées dans le supplément en ligne, si quand il existe
alors un maximiseur local de la
fonction de pseudo-vraisemblance pénalisée (3.5) tel que
avec désignant
la norme euclidienne.
Le résultat
de convergence du théorème 1 est vérifié pour les fonctions de pénalité
non convexes fréquemment utilisées. Par exemple, pour la pénalité avec la convergence est vérifiée si pour la pénalité SCAD, la
convergence est vérifiée si et Cela implique aussi que, si la
probabilité tend vers 1, le modèle réel est inclus dans ce qui sert de condition préalable
pour la convergence de sélection du BIC sur
Nous
établissons maintenant la convergence en utilisant le BIC sur avec une fonction spécifiée qui satisfait le
théorème 1. En se servant de la notation de la section 3.2, soit le modèle correspondant à
l'estimateur PVP et soit l'intervalle de valeurs de pris en considération. Nous
définissons deux séries de modèles possibles comme il suit :
-
modèles surajustés :
-
modèles sous-ajustés :
La notation indique ici qu'il existe au moins un
élément différent entre deux ensembles, de sorte que est la série de modèles possibles
qui ne comprend pas toutes les variables figurant dans le modèle réel. Alors, peut être partitionné en conséquence
en
Au moyen du théorème 1, nous avons montré que Par
conséquent, la convergence de sélection du BIC sur est
atteinte si le BIC est capable d'identifier pour tout
modèle avec Nous
utilisons le théorème qui suit pour établir ce résultat de convergence.
Théorème 2 Sous les mêmes conditions qu'au théorème 1,
où et sont
définis dans (4.1).
Précédent | Suivant